控制冰的形成和生長對于成功的細胞、組織和生物制品的低溫保存至關重要。當前尋找能夠調(diào)節(jié)冰生長的材料的工作主要依賴于迭代的變更和人類直覺，重點集中在蛋白質和聚合物上。然而，數(shù)據(jù)的有限性限制了發(fā)現(xiàn)過程，主要是因為對機制的理解不足以及底層結構-活性關系的不明確。鑒于此，來自華威大學的Matthew I. Gibson和Gabriele C. Sosso及其團隊通過構建能夠預測小分子冰晶重結晶抑制活性的機器學習模型克服了這一障礙。
文章要點：
(1) 該研究通過實驗測量了冰生長的數(shù)據(jù)集，隨后結合分子模擬中的狀態(tài)描述符和特定領域的特征來開發(fā)預測模型，利用機器學習模型，成功預測和發(fā)現(xiàn)了小分子冰晶重結晶抑制劑，展示了數(shù)據(jù)驅動在低溫保存中的重要應用。
(2) 此外，研究結果表明，這些模型能夠準確識別出商業(yè)化化合物庫中的有效小分子冰晶重結晶抑制劑。確定的化合物在低溫保存的紅細胞中能夠有效減輕細胞損傷，展示了如何利用數(shù)據(jù)驅動方法來發(fā)現(xiàn)創(chuàng)新的低溫保護劑，并能夠為冷鏈的下一代低溫保存解決方案提供支持。
參考資料：
Warren, M.T., Biggs, C.I., Bissoyi, A. et al. Data-driven discovery of potent small molecule ice recrystallisation inhibitors. Nat Commun 15, 8082 (2024). 10.1038/s41467-024-52266-w
https://doi.org/10.1038/s41467-024-52266-w
